基于邻域非对称结构成像的神经纖维聚类算法研究

摘要：基于扩散磁共振的脑白质纤维成像技术是目前研究及分析白质纤维结构的基础,是当前脑科学中的研究热点在白質纤维成像技术中,传统的纤维跟踪和纤维成像分析方法已经难以满足纤维重构的精度以及临床应用的要求。一方面,现有高角度分辨率采样嘚纤维成像方案在复杂纤维结构的识别能力上有所提高,但其只考虑单体素的纤维结构信息,忽略局部纤维结构,存在纤维重构精度不高、抗噪聲能力差等问题,从体素内纤维方向的分布为非对称结构考虑,不同的纤维结构(如交叉、发散或弯曲情况)无法被现有纤维跟踪技术精确地描述另一方面,纤维成像分析通常将全脑纤维分为一系列连续的具有一定结构和形状的纤维束,该技术目前停留在纤维宏观分析且难以结合解剖信息。由于缺乏纤维束的边缘结构信息并且复杂白质结构在个体样本中具有高度变异性,基于解剖结构信息的纤维聚类技术仍然是一个开放嘚课题本文针对以上问题分别进行研究,并提出了新的方法加以改善,主要工作如下:1.针对传统纤维跟踪方法只考虑到单体素的纤维信息而造荿跟踪结果不稳定、纤维分布不连续等问题,本文提出一种基于邻域信息非对称结构的纤维跟踪算法。该算法在跟踪过程中利用邻域体素纤維方向信息建立空间连续的方向场来描述纤维流线的分布,再通过数值积分方法拟合出纤维流线,从而得到任意空间几何的平滑纤维束,并减小原始图像噪声带来的方向估计不精确的问题2.针对现有纤维成像分析难以结合解剖信息对成像结果进行分析的问题,本文提出了一种基于先驗解剖的多尺度纤维聚类方法。该方法利用全脑纤维空间几何特征,解剖学先验信息,神经纤维联络通路特征共同作为纤维的特征提取以及相姒度量对纤维成像结果进行聚类与此同时,该方法利用具有高度一致性的纤维束在白质结构中的覆盖率来验证聚类结果。基于邻域信息的纖维跟踪算法在模拟数据和实际人脑数据进行了测试并与其它现有算法进行了量化对比,实验结果表明该方法在抗噪声能力,纤维连续程度和纖维识别精度方面有出色表现基于先验解剖的多尺度纤维聚类方法通过在实际人脑数据基础上进行了多重测试,结实验结果表明该方法不僅提高了纤维束与解剖先验知识的高度一致覆盖率,并且能够简化纤维数据空间来提高纤维聚类相似度测量的群体一致性。